[发明专利]一种说话人语音分离的方法及装置

权利要求书

1.一种说话人语音分离的方法，其特征在于，包括：

获取预设格式的音频信号；

针对所述音频信号进行预处理，得到处理后的第一音频信号；

当获取到麦阵的放置方式后，基于麦阵的放置方式对音频信号按照公式(1)进行旋转处理，使得到的音频信号位于同一平面；

其中，A为转换矩阵：

其中，θ_h为首向角，θ_p为俯仰角，θ_b为倾斜角，f(θ_h,θ_p,θ_b)为与θ_h、θ_p以及θ_b相关的函数；

在得到转换信号后，按照公式(2)对转换信号进行时频变换处理：

其中，n为时域索引值，k为频域索引值，L为音频处理帧长，L_f为时频变换的长度，j为虚部单位，M为声道数目，x(n)为音频时域样点值，X(k)为音频频域系数；

针对所述第一音频信号进行音频分离处理，得到不同方位说话人的第二音频信号；

对第一音频信号进行语音检测处理，得到相应的检测结果，根据该检测结果，对第一音频信号进行声源定位处理；

采用广义互相关实现声源定位：

a)按照公式(3)分别计算各路音频的互相关：

其中，K₁为起始频点，K₂为截止频点；

b)按照公式(4)基于语音检测结果进行平滑处理：

G_sm(i,j)＝G_sm(i,j)*f_sm+(1-f_sm)*G(i,j) (4)

其中，f_sm为平滑因子：

Vad为语音检测处理结果；

c)对平滑后的互相关函数进一步处理，得到声源定位结果；

利用公式(5)进行音频分离处理，得到不同方位说话人的第二音频信号；

其中，V_doa为在声源方向的加权因子：

τ为时延，S为声源数目，V_spe为单声源时的加权因子；

当S＞1时，采用波束形成方法得到声源方向的音频信号；当S≤1时，V_doa＝V_spe，采用第1路音频作为分离后的音频信号；

针对所述第二音频信号进行增强处理，得到增强后的不同方位说话人的第三音频信号；

输出所述第三音频信号。

2.根据权利要求1所述的方法，其特征在于，针对所述音频信号进行预处理，得到处理后的第一音频信号，包括：

获取麦阵的放置方式参数和周围环境参数；

根据所述麦阵的放置方式参数，对所述音频信号进行转换处理，得到位于同一平面的转换音频信号；

对所述转换音频信号进行时频变换，得到所述转换音频信号对应的频域信号；

根据所述周围环境参数，对所述频域信号进行音频增强处理，得到增强后的频域信号；

针对增强后的频域信号进行时频逆变换，得到时域信号，作为所述第一音频信号。

3.根据权利要求1或2所述的方法，其特征在于，对所述第一音频信号进行音频分离处理，得到不同方位说话人的第二音频信号，包括：

根据所述第一音频信号，获取所述第一音频信号对应的声源定位结果和说话人识别结果；

根据所述声源定位结果和所述说话人识别结果，对所述第一音频信号进行音频分离处理，得到所述第二音频信号。

4.根据权利要求3所述的方法，其特征在于，根据所述第一音频信号，获取所述第一音频信号对应的声源定位结果和说话人识别结果，包括：

对所述第一音频信号进行语音检测处理，得到检测结果；

根据所述检测结果，对所述第一音频信号进行声源定位处理，得到所述声源定位结果；

根据预设的识别模型，对所述第一音频信号进行说话人识别处理，得到所述说话人识别结果。